COVID-19–Associated Misinformation Across the South Asian Diaspora: Qualitative Study of WhatsApp Messages
Notice bibliographique
Résumé
Background: South Asians, inclusive of individuals originating in India, Pakistan, Maldives, Bangladesh, Sri Lanka, Bhutan, and Nepal, comprise the largest diaspora in the world, with large South Asian communities residing in the Caribbean, Africa, Europe, and elsewhere. There is evidence that South Asian communities have disproportionately experienced COVID-19 infections and mortality. WhatsApp, a free messaging app, is widely used in transnational communication within the South Asian diaspora. Limited studies exist on COVID-19-related misinformation specific to the South Asian community on WhatsApp. Understanding communication on WhatsApp may improve public health messaging to address COVID-19 disparities among South Asian communities worldwide. Objective: We developed the COVID-19-Associated misinfoRmation On Messaging apps (CAROM) study to identify messages containing misinformation about COVID-19 shared via WhatsApp. Methods: We collected messages forwarded globally through WhatsApp from self-identified South Asian community members between March 23 and June 3, 2021. We excluded messages that were in languages other than English, did not contain misinformation, or were not relevant to COVID-19. We deidentified each message and coded them for one or more content categories, media types (eg, video, image, text, web link, or a combination of these elements), and tone (eg, fearful, well intentioned, or pleading). We then performed a qualitative content analysis to arrive at key themes of COVID-19 misinformation. Results: We received 108 messages; 55 messages met the inclusion criteria for the final analytic sample; 32 (58%) contained text, 15 (27%) contained images, and 13 (24%) contained video. Content analysis revealed the following themes: "community transmission" relating to misinformation on how COVID-19 spreads in the community; "prevention" and "treatment," including Ayurvedic and traditional remedies for how to prevent or treat COVID-19 infection; and messaging attempting to sell "products or services" to prevent or cure COVID-19. Messages varied in audience from the general public to South Asians specifically; the latter included messages alluding to South Asian pride and solidarity. Scientific jargon and references to major organizations and leaders in health care were included to provide credibility. Messages with a pleading tone encouraged users to forward them to friends or family. Conclusions: Misinformation in the South Asian community on WhatsApp spreads erroneous ideas regarding disease transmission, prevention, and treatment. Content evoking solidarity, "trustworthy" sources, and encouragement to forward messages may increase the spread of misinformation. Public health outlets and social media companies must actively combat misinformation to address health disparities among the South Asian diaspora during the COVID-19 pandemic and in future public health emergencies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,007 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».